颜色特征模型在静态车辆检测中的应用

为了解决智能交通中的静态车辆检测准确率不高的问题,提出一种基于颜色特征的车辆目标检测方法.该方法首先根据Hough变换分割出路面感兴趣区域,利用颜色特征空间降维建立理想的颜色特征模型;其次,根据贝叶斯分类器进行路面与车辆的像素分类;最后,由最小割/最大流算法进行车辆目标分离.在实景采集交通视频图像后对文中提出方法和现存方法进行了对比评估.基于颜色特征的车辆目标检测方法对于静态车辆目标的检测准确率达到了63.05%,误检率降低至21.27%,漏检率降低至24.01%.与传统方法相比,该方法能更快、更准确地检测到目标.     

基于感兴趣区域模型的车道线快速检测算法

为满足智能车载视频取证设备对车辆违章行为取证时检测车道线准确性和时效性的要求,提出一种基于感兴趣区域模型的结构化道路车道线的快速检测算法。该算法首先基于结构化道路具有车道线与路面对比度高的特点,采用Soberx边缘检测算子检测车道的边缘信息,然后在感兴趣区域模型基础上,采用改进的Hough变换检测出可能的车道线。为准确提取车道线完成车道的准确检测,该算法基于透视图像消失点原理,采用逆透视变换消除伪车道线完成车道准确定位。实验表明,该算法定位精度高、快速快、鲁棒性好,能够满足高速公路智能车载视频设备取证的性能要求。     

基于车流量的智能交通控制系统设计

设计了一种交通灯与车流量信息相匹配的智能交通控制系统,主要包括交通灯控制模块、无线数据通信单元、红外车流量检测电路、红绿灯显示电路、车距检测电路、LCD液晶显示以及电源转换电路等模块.测试结果显示,电路各个功能模块运行稳定,能够根据检测到的车流量信息实时调整交通灯时长,同时车流信息能通过无线模块实时发送给移动车辆,从而有助于引导车辆分流,对缓解交通拥堵,提高交通安全性具有良好的应用价值.     

实时的静止目标与鬼影检测及判别方法

针对视频安全监控中出现的鬼影干扰现象,提出静止目标与鬼影的实时检测及判别方法.建立双背景模型检测出静止前景区域,通过证据累积图像和允许遮挡时间参数减少虚警及处理遮挡问题.采用canny算子提取静止前景的边缘,分别计算静止前景边缘在当前帧与背景帧中的边界颜色对比度.通过对比边界颜色对比度的大小区分静止目标与鬼影.在不同复杂度的视频场景下的实验表明,采用该方法能够有效地从复杂场景中检测出静止目标,并快速判别鬼影,极大地降低了计算耗时且准确率较高.对于图像大小为352×288的视频序列,该算法的平均运行速度约为50帧/s,能够满足实时的监控任务需求.     

基于Harris角点和SIFT算法的车辆图像匹配

车辆图像匹配广泛应用于车辆识别和跟踪,其中SIFT(Scale Invariant Feature Transform)特征匹配算法是当前国内外特征点匹配研究的热点,但针对车辆等刚体特征明显的目标,SIFT算法在时间复杂度和稳定性方面留出了改进空间.针对车辆图像匹配,本文基于Harris角点检测对SIFT算法进行改进.实验结果表明:该方法在车辆图像匹配时,稳定性和实时性优于SIFT算法.     

车辆颜色和型号识别算法研究与应用

针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题, 提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位, 再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号, 这是对车辆多属性同时识别的方法, 不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets, PKU-VD)上进行实验, 实验结果表明, 车辆颜色和型号同时识别准确率为93.75%, 车辆颜色单一属性识别准确率为94.98%, 车辆型号单一属性识别准确率98.38%, 明显优于基于机器学习的车辆属性识别算法, 从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。     

异向性磁阻传感器检测车流量的新方法

针对因单轴或双轴的模拟式异向性磁阻传感器检测车流量时无法获取空间磁场、地磁垂直分量(Z轴)不能全面体现车辆信息,以及环境中的强磁场导致磁阻传感器输出信号漂移等问题,根据行驶车辆对地磁场的扰动效应原理,设计开发了基于ZigBee无线传感器网络的车流量检测系统,提出一种车流量检测方法.该方法采用新型三轴数字式磁阻传感器HMC5843替代传统的单轴或双轴模拟式磁阻传感器,以三轴磁场合成的磁场强度替代地磁垂直分量执行状态机算法检测车流量,当车辆驶离传感器时重新获取环境磁场来解决信号漂移问题.实际测试表明：该方法在测量精度、可靠性、冗余度等方面均优于地磁垂直分量（Z轴）法.     

车载移动执法中违规车辆智能检测研究

提出了一个面向高速道路交通车辆违规行为移动执法智能检测模型。系统模型分为车道线检测、车辆检测与跟踪、逆透视变换及几何量算、面向车道定位的地图精细匹配等4个子模块。该系统模型算法在实际高速公路环境中进行了车辆违规行为检测,以及车道线检测、车辆目标及跟踪等专项测试以表征其对车辆违规行为的检测能力。测试结果表明,该系统模型具备在一定的复杂交通环境中车辆违规行为辨识能力。相关专项测试表明,该模型可以快速及准确地检测记录违规车辆。     

面向城市路口的高清晰智能监控系统研究

在对复杂的城市路口监控环境深入分析的基础上,提出了一套高效稳定的高清晰视频车辆检测与跟踪算法,以此为核心构建的智能交通监控系统实现了包括交通流统计、违章取证和车牌识别在内的全天综合智能监控。提出了高效的两步车辆检测法:在鲁棒的帧间边缘差分运动检测基础上,利用车牌纹理投影特征和尾灯颜色特性实现车辆检测。在车辆跟踪方面,提出了提取大尺度的FAST稳定角点进行Lucas-Kanade金字塔跟踪和基于Kal-man预测的车辆尾灯锁定,以完成昼夜不同情况下路口车辆的长距离稳定追踪。实际应用结果表明,车流量采集精度达到96.5%,违章记录有效率87.6%,具有优良的性能。     

基于色彩特征的CAMSHIFT视频图像汽车流量检测

针对视频图像中目标车辆尾灯及背景色彩在HSV空间分布上的特点,提出了把车辆尾灯作为跟踪目标,恰当选取色彩特征参数,采用CAMSHIFT目标跟踪算法对汽车流量进行检测的技术方案.研究了基于HSV色彩空间的CAMSHIFT目标跟踪算法在视频图像汽车流量检测中的实现,并用实际拍摄的交通视频图像对该检测算法进行了验证.实验结果表明,本文算法具有较高的准确度,能够有效跟踪以各种速度行驶的车辆,可以较好地应用在汽车流量检测领域中.     

基于计算机视觉的电厂车辆智能监测系统设计与实现

针对电厂运煤车辆的管理,设计并实现了一个基于计算机视觉的电厂运煤车辆智能监测系统.提出了一种基于颜色分割和数字形态学处理相结合的车牌定位算法和一种基于Sobel灰度边缘算子的车牌倾斜校正算法.实际应用表明,该系统有很强的鲁棒性,可以处理污损、变形、各种光照条件下的车牌,并且速度快、准确率高     

基于优化M-S模型的多目标鲁棒跟踪

针对光照变化情况下多遮挡目标的跟踪准确率差的问题,提出了一种基于优化M-S模型的鲁棒多目标跟踪算法.利用抗噪声性能高的优化M-S模型实现复杂环境下多目标精确识别与提取,降低模糊边缘、噪声的影响;利用区域像素标记方法建立目标和背景的边缘特征,在目标发生相互遮挡情况下也能够提取各个目标独立、完备的边缘特征.为了降低联合粒子滤波的计算复杂度,提高跟踪实时性,提出了简化联合滤波跟踪模型.仿真实验证明了该算法的正确性和有效性,与经典的差分跟踪算法、基于颜色特征的跟踪算法比较,对噪声边缘和变化光照环境敏感性降低,跟踪有效率统计分析表明鲁棒性提高1.82%,准确率提高1.36%.     

基于Hausdorff距离的视觉监控轨迹分类算法

针对智能视觉监控系统中的运动目标轨迹分类问题,提出了一种基于多维Hausdorff距离的轨迹聚类算法。该算法使用流矢量序列描述目标运动轨迹,由多维Hausdorff距离进行轨迹相似性测量,通过谱聚类实现轨迹分类。该算法在轨迹描述中同时包含位置和方向信息,解决了Hausdorff距离不能区分轨迹运动方向的问题。为降低计算复杂度,本文还提出一种保距变换对轨迹相似性测量进行优化。与相关算法的对比实验表明,提出的轨迹分类算法可达到更高的聚类准确率;提出的保距变换可以显著降低算法的计算复杂度。     

延迟变化紧密的多核心组播树快速构建算法

为了解决在具有延迟及延迟变化约束组播树的构建问题中存在的算法实用性差、复杂度高和重构代价大等问题,提出基于扁平多核心树结构的、采用基于延迟变化过滤窗口的多核心节点选取机制的组播树快速构建算法.该算法极大地拓展了初始组播树的寻解空间,且能够找到具有最严格的延迟变化约束的目标树.该算法实用性强,目标树的可维护性好且局部恢复代价小.理论上,该算法在时间复杂度上与该项性能最好的延迟及延迟变化约束算法(DDVCA)相同.模拟实验中,在相同的延迟及延迟变化约束条件下构建大规模组播树,该算法相比延迟及延迟变化约束算法最多能够节省60%的执行时间.模拟实验还表明,随着延迟变化约束越来越小,与延迟变化约束性能最好的链式算法相比,该算法能够以更大的概率找到合适的组播树;该算法能够获得最紧密的延迟变化约束性能.     

最小类内方差和区域生长相结合的图像分割法

针对视频车辆检测中,光照不均匀、对比度不强的多目标图像分割,提出了一种基于最小类内方差和区域生长相结合的快速阈值分割算法.首先对最小类内方差法进行改进,快速确定差分图像的最佳分割阈值,再用区域生长法分割得到目标.理论分析和实验结果表明,该分割算法不仅适用于简单的车辆图像分割,而且对于复杂的车辆图像也取得了较好的分割效果.该算法计算量小,分割精度有一定优势,有助于下一步的目标识别.     

基于视觉注意机制的红外图像小目标检测方法

提出了适用于红外序列图像小目标检测的二步骤计算模型和算法.该算法处理的第一阶段通过对象的显著性计算,快速提取潜在目标的集合,在第二阶段对这个集合进行更为细致的识别,剔除伪目标,检测出真实目标.这种方法在没有牺牲其他性能指标的前提下,大幅度地改善了运算复杂度,为实现有限条件下系统的实时处理提供了基础.     

基于Teager-Kaiser权重去噪算法的QRS检测方法

针对传统的QRS检测算法计算复杂度高、检测率低的缺点,采用Teager-Kaiser权重去噪算法对QRS波进行检测,以此提高R波的检测率.利用MIT-BIH心律不齐数据库和PTBdb数据库对本文提出的方法进行验证,结果表明本文提出的QRS检测算法具有计算简单、准确率高的优点.     

基于YOLO算法的车辆实时检测

目前,基于机器视觉的车辆检测算法存在检测速度较慢的问题。针对该问题,提出一种基于YOLO算法的车辆实时检测方法。YOLO检测算法的基本模型由卷积层,池化层以及全连接层组成,具有强鲁棒性以及能够快速完成车辆检测任务。选择交通监控视频作为数据集进行车辆检测试验。结果表明,YOLO检测算法的查准率为89.3%,查全率为81.0%,检测速度达到60f/s,基本满足交通监控中车辆检测的实时性需求,说明该方法合理可行。运用该方法与2种不同的检测算法进行对比分析,得出YOLO算法的检测速度最快。     

基于神经网络的大规模数据集离群点检测算法

针对传统方法在检测离群点时常因冗余数据的干扰而导致检测用时较长、检测准确率偏低的问题,设计了基于神经网络的大规模数据集离群点检测算法.采用核主成分分析方法对大规模数据集进行降维处理,去除其中存在的冗余数据,利用神经网络在误差函数的基础上实现对离群点的检测.结果表明：该算法的检测时间始终低于0.4 min,且检测准确率始终保持在90%以上,说明该算法能够快速、准确地检测大规模数据集中的离群点.     

道路监测雷达信号处理算法研究

为了能够准确的得到车速和车长信息,对道路监测中雷达信号处理算法进行了研究,在联合检测方法基础之上提出了基于航迹的检测算法,并通过算法验证和例证分析,对得出的方案进行了测试,结果表明检测性能得到较大提高,该算法将能够较好的对车辆目标进行检测与识别.